SoSe2022
Folienübersicht
Signifikanztests
Was sind Signifikanztests?
- Zielen auf eine Entscheidung über die Beibehaltung oder Ablehnung einer statistischen Hypothese ab.
- Die Hypothese bezieht sich immer auf einen statistischen Kennwert.
- Je nachdem, ob der Stichprobenkennwert in den Annahme- oder Ablehnungsbereich fällt (also größer oder kleiner als der kritischen Werte ist), wird die Hypothese als richtig oder nicht zutreffend angesehen.
Vorgehensweise
8 Schritte - ausgehend von einer Forschungshypothese
- Wahl der Statistik, welcher die Daten bezogen auf die Forschungshypothese beschreibt (z.B. Mittelwert oder Varianz).
- Formulierung der Nullhypothese \(H_0\) und der (logisch) entgegengesetzten Alternativhypothese \(H_A\) bzw. \(H_1\) → einseitig, gerichtet oder zweiseitig, ungerichtet
- Erhebung empirischer Daten und Überprüfung der Stichprobenverteilung.
- Finale Wahl des statistischen Test und Berechnung der entsprechenden Teststatistik.
- Festlegung der Irrtumswahrscheinlichkeit (Signifikanzniveau \(\alpha\)) → üblicherweise 5%.
- Festlegung des Annahme- und Ablehnungsbereich mit dem kritischen Wert aus der Prüfverteilung (in Abhängigkeit vom Signifikanzniveau und den Freiheitsgraden).
- Entscheidung \(H_0\) beizubehalten oder abzulehnen.
- Zusammenfassung des Testergebnis bezogen auf die eigentliche Forschungshypothese.
Wahl der Statistik
Schritt 1
Beispiel einer Forschungshypothese
Die intraspezifische Streuung des Zugverhaltens ist bei Buchfinken kleiner als bei der Mönchsgrasmücke.
Buchfink
Mönchsgrasmücke
Zu vergleichender Parameter bzw. Kennwert
Die Varianz \(\sigma^2\) bzw. \(s^2\)
,_male.jpg){kind=link}
Formulierung der Hypothesen
Schritt 2
Die Alternativhypothese muss immer eine Effektgröße enthalten (‘Es gibt keinen Unterschied’ kann daher keine \(H_A\) sein).
Zweiseitig (Mittelwertvergleich)
- \(H_A: \mu_1 \neq \mu_2\)
- \(H_0: \mu_1 = \mu_2\)
Einseitig (Mittelwertvergleich)
- \(H_A: \mu_1 > \mu_2\) bzw. \(\mu_1 < \mu_2\)
- \(H_0: \mu_1 \leq \mu_2\) bzw. \(\mu_1 \geq \mu_2\)
Beispiel
- Die Gesänge von Meisen in der Stadt und auf dem Land unterscheiden sich in ihrer Lautstärke (zweiseitig).
- Kohlmeisen in der Stadt singen lauter als auf dem Land (einseitig).
Formulierung der Hypothesen
Beispiel Zugverhalten
Die intraspezifische Streuung des Zugverhaltens ist bei Buchfinken kleiner als bei der Mönchsgrasmücke.
Buchfink
Mönchsgrasmücke
Hypothesen
- \(H_A: \sigma_{Buchfink}^2 < \sigma_{Mönchsgrasmücke}^2\)
- \(H_0: \sigma_{Buchfink}^2 \geq \sigma_{Mönchsgrasmücke}^2\)
Datenerhebung und -überprüfung
Schritt 3
Beispiel Zugverhalten
| Kenngröße | Buchfink | Mönchsgrasmücke |
|---|---|---|
| Mittelwert | 1800km | 3000km |
| Standardabweichung s | ±900km | ±1000km |
| Stichprobengröße n | 20 | 30 |
Wahl des statistischen Test
Schritt 4
Folgende grundlegende Fragen müssen beantwortet werden:
- Welches Skalenniveau liegt vor (nominal, ordinal, metrisch)?
- Wie viele Stichproben sollen verglichen werden (1, 2, ≥2)?
- Was soll getestet werden (Abweichungen von einer Verteilung, einer erwarteten Häufigkeitsverteilung, einem Erwartungswert)?
- Ermöglicht die Stichprobenverteilung die Anwendung parametrischer Verfahren, d.h. sind die Daten normal verteilt (und Varianzhomogen) ( Schritt 3)?
Wahl des statistischen Test
Ãœbersicht klassischer Tests
Signifikanzniveau
Schritt 5
oder auch Irrtumswahrscheinlichkeit \(\alpha\)
- Wahrscheinlichkeit für die Ablehnung der Nullhypothese, obwohl diese zutrifft (’bedingte Wahrscheinlichkeit, Fehler 1. Art).
- In der Statistik ist ein Ergebnis dann signifikant, wenn es unwahrscheinlich ist, dass es zufällig aufgetreten ist, vorausgesetzt, eine angenommene Nullhypothese ist wahr.
- Wenn das beobachtete Signifikanzniveau klein genug ist, wird die Nullhypothese verworfen.
- Ãœbliche Signifikanzwerte:
- Signifikant: p ≤ 0.05
- Hoch signifikant: p ≤ 0.01
- Höchst signifikant: p ≤ 0.001
- Schwach signifikant: 0.05 ≤ p < 0.01
- Schwach nicht signifikant: 0.1 ≤ p < 0.05
Statistische Fehler 1. und 2. Art
Fehler 1. Art (\(\alpha\))
- \(H_A\) wird angenommen obwohl \(H_0\) richtig ist, d.h. wird fälschlicherweise verworfen obwohl nur zufällige Unterschiede vorhanden sind.
- Das sog. Risiko 1. Art is somit gleich der Irrtumswahrscheinlichkeit
Fehler 2. Art (\(\beta\))
- Es werden keine signifikanten Unterschiede erkannt, obwohl die \(H_0\) falsch ist, d.h. die Unterschiede werden als zufällig interpretiert.
- Bei vorgegebenen n wird wird \(\beta\) umso größer, je kleiner \(\alpha\) festgelegt wird.
| Entscheidung | \(H_0\) trifft zu | \(H_0\) trifft nicht zu |
|---|---|---|
| \(H_0\) wird nicht abgelehnt | Richtige Entscheidung; kein Effekt nachgewiesen | \(\beta\)-Fehler; vorhandenen Effekt nicht nachgewiesen |
| \(H_0\) wird abgelehnt | \(\alpha\)-Fehler; Effekt nachgewiesen, den es nicht gibt | Richtige Entscheidung; vorhandenen Effekt nachgewiesen |
Berechnung von β
Eine kurze Demonstration zum Zusammenhang
Einflussgrößen von β
- Differenz zwischen \(H_0\) und \(H_A\) (engl.: effect size) → je größer die Differenz, desto kleiner wird die \(\beta\)-Wahrscheinlichkeit.
- Wahl des Signifikanzniveaus → je kleiner \(\alpha\) desto größer wird \(\beta\), da sich die Verwerfungsregion weiter von \(H_0\) entfernt.
- Genauigkeit des geschätzten Parameters → abhängig von Stichprobengröße
- Beziehung zwischen \(\alpha\), \(\beta\), Effekt- und Probengrößen relativ komplex.
- Zielorientierte Versuchsplanung wichtig!
- Zum Beispiel kann mittels Effektgröße, Teststärke, und den festgelegten \(\alpha\) und \(\beta\) Werten auch der Stichprobenumfang ermittelt werden. Dazu aber später mehr.
- Konsequenzen Fehler 1. und 2. Art durchdenken → Was ist vorzuziehen?
Wann wird welcher Fehler vorgezogen?
Medizinische oder pharmazeutische Studien
Hier würden viele lieber einen Fehler 2. Art als einen Fehler 1. Art begehen:
- Die Ablehnung einer wahren \(H_0\) führt dazu, dass wir unsere Alternativhypothese akzeptieren.
- Die Beibehaltung der \(H_0\) führt dazu, dass wir bei neuen Versuchen wieder zu unseren Beobachtungen zurückkehren und weiter forschen → es wurde nichts verworfen.
Umweltstudien
Hier wäre es als Vorsichtsmaßnahme besser, einen Fehler 1. Art zu machen:
- Die Annahme, dass es keine Effekte gibt, wenn es tatsächlich welche gibt (\(\beta\)-Fehler), ist viel gefährlicher als die Konsequenz der Annahme, dass es Effekte gibt (und entsprechende Maßnahmen ergriffen werden müssen), wenn es wirklich keine Effekte gibt (\(\alpha\)-Fehler).
Interpretation von p-Werten
Was denken einige Statistiker über Signifikanz?
It is very bad practice to summarize an important investigation solely by a value of P.
Blind adherence to the 0.05 level denies any consideration of alternative strategies, and it is a serious impediment to the interpretation of data ( e.g. 0.049 is significant, but 0.051 is not significant).
Scientist care about whether a result is statistically significant, but they should care much more about whether it is meaningful.
Festlegung des Annahme- und Ablehnungsbereich
Schritt 6
Der statistische Test liefert Dir eine Teststatistik (T) und eine Wahrscheinlichkeit (p-Wert) basierend auf dessen Prüfverteilung, dass das statistische Ergebnis so extrem ausfällt wie das beobachtete, wenn die Nullhypothese wahr wäre (nach der z.B. zwei Stichproben zur gleichen Grundgesamtheit gehören).
Zusammenfassung des Signifikanztests
Schritt 8
Bei den klassischen Tests sollte immer die Teststatistik, der bzw. die Freiheitsgrade (für die Prüfverteilung), und der p-Wert angegeben werden:
Testauswahl
Auswahl des richtigen Test
Zwei große Gruppen von klassischen Tests
Parametrische Tests
- Verteilungsabhängig
- Arbeiten mit \(\bar{X}, s^2, s\)
- Nur für metrische Daten
- Annahmen:
- Unabhängigkeit (außer gepaarter t-Test)
- Varianzhomogenität (gleiche Varianzen)
- Normalität (Normalverteilung)
- Tests:
- F-Test
- t-Test für 1 und 2 Stichproben
- Varianzanalyse (ANOVA)
- Kovarianzanalyse (ANCOVA)
- Lineare Regression
- Pearsons Produkt-Moment-Korrelationskoeffizient
Nicht-Parametrische Tests
- Verteilungsfrei (keine Normalverteilung erforderlich)
- Arbeiten mit Median und Rängen
- Für metrische, ordinale, und nominale Daten
- Teststärke ist allgemein niedriger
- Nicht geeignet, wenn das Design komplex ist
- Tests:
- Mann-Whitney U-Test
- Wilcoxon-Vorzeichen-Rang-Test
- Chi-Quadrat-Tests
- Kruskal-Wallis-Test
- Friedman-Test
- Rangkorrelation (z.B. Spearman, Kendall)
Alternative zu nicht-parametrischen Tests
Monte Carlo Randomisierung oder Permutationstests
- Verwenden keine theoretischen Prüfverteilungen (wie t, F).
- Die Verteilung der Teststatistik basiert allein auf den Daten der Stichprobe.
- Prinzip das gleiche wie beim Bootstrap-Verfahren für Konfidenzintervalle:
- Die Stichprobe wird als ‘Pseudopopulation’ genutzt, aus der wiederholt Stichproben gezogen werden.
- Aus den wiederholten Stichproben wird die Teststatistik jeweils berechnet.
- Anschl. wird die Teststatistik der ursprünglichen Stichprobe mit der Teststatistikverteilung aus den randomisierten Stichproben verglichen und der p-Wert berechnet.
- Methodik ist allerdings schwierig bei komplexen Modellen mit Wechselwirkungen.
Teststärke oder Trennschärfe eines Tests
- Auch Sensitivität, Güte, Leistung oder Macht (im Englischen Power) genannt.
- Gibt die Fähigkeit eines Tests an, Unterschiede (Effekte) zu erkennen, wenn sie in Wirklichkeit vorhanden sind.
- Ist definiert als 1-\(\beta\) → repräsentiert die Wahrscheinlichkeit, dass der Test eine falsche Nullhypothese ablehnt bzw. dass er keinen Fehler 2. Art macht.
- Je höher die Teststärke ist, desto größer ist die Chance, ein statistisch signifikantes Ergebnis zu erhalten, wenn die Nullhypothese falsch ist.
- Hängt ab von:
- Wahl für \(\alpha\) / Effektgröße / Stichprobengröße / Varianzen / Art des Tests
- → Je größer die Stichprobe, desto geringer die Varianz, desto höher die Teststärke.
- Die sog. Power-Analyse kann ein nützliches Werkzeug für die Planung eines Experiments und die Schätzung der Stichproben- und Effektgröße sein.
Überprüfung der Testannahmen bei metrischen Daten
Auf Normalverteilung testen (Anpassungstest)
- Shapiro-Wilk-Test -
shapiro.test():- Vorteil: Gute Teststärke über einen weiten Bereich von Nicht-Normalverteilungstypen und Stichprobengrößen (daher bei N < 50 vorzuziehen).
- Nachteil: Weniger robust wenn Autokorrelation auftritt.
- Kolmogorov-Smirnov-Test -
ks.test():- Vorteil: Verteilungsfrei, d.h. es kann auf verschiedenste theoretische Verteilungen getestet werden. Im Falle von Autokorrelation robuster als S-W-Test.
- Nachteil: Geringere Teststärke (die \(H_0\) wird seltener korrekt abgelehnt).
- Anderson-Darling A2:
- Ähnlicher Test wie K-S-Test, mit Korrektur für den Fall, dass Mittelwert/Varianz unbekannt sind und geschätzt werden müssen.
Normalität: Shapiro-Wilk-Test
Bsp. Zugverhalten
| Kennwert: | \(\mu\), \(\sigma^2\) bzw. \(\bar{X}\) und \(s^2\) |
| H0: | \(X\) ist normalverteilt |
| HA: | \(X\) ist nicht normalverteilt |
| Teststatistik: | W |
| alpha: | 5% |
| p-Wert: | Teststatistik W wird mit einem kritischen Wert für den Ablehnungsbereich (aus der Verteilung der Teststatistik) verglichen. |
shapiro.test(x = bf) # Buchfink
Shapiro-Wilk normality test
data: bf
W = 0.95594, p-value = 0.4663
shapiro.test(x = mgm) # Moenchsgrasm.
Shapiro-Wilk normality test
data: mgm
W = 0.97279, p-value = 0.6181- \(H_0\) kann in beiden Tests nicht abgelehnt werden.
- Beide Stichproben sind normalverteilt (W = 0.96, p = 0.5 bzw. W = 0.97, p = 0.6).
Normalität: Kolmogorov-Smirnov-Test
Bsp. Zugverhalten
| Kennwert: | \(\mu\), \(\sigma^2\) bzw. \(\bar{X}\) und \(s^2\) |
| H0: | \(F_X = F_0\) (Verteilungsfunktion von \(X\) ist \(F_0\)) |
| HA: | \(F_X \neq F_0\) |
| Teststatistik: | D |
| alpha: | 5% |
| p-Wert: | Teststatistik D wird mit einem kritischen Wert für den Ablehnungsbereich (aus der Verteilung der Teststatistik) verglichen. |
# Hier muss die zu prüfende Verteilung # und dessen Parameter übergeben werden: ks.test(bf, "pnorm", mean = mean(bf), sd = sd(bf))
One-sample Kolmogorov-Smirnov test
data: bf
D = 0.11756, p-value = 0.9152
alternative hypothesis: two-sided
ks.test(mgm, "pnorm", mean = mean(mgm), sd = sd(mgm))
One-sample Kolmogorov-Smirnov test
data: mgm
D = 0.092798, p-value = 0.9372
alternative hypothesis: two-sided- \(H_0\) kann in beiden Tests nicht abgelehnt werden.
- Beide Stichproben sind normalverteilt (D = 0.12 bzw. D = 0.09, p > 0.5).
Auf Varianzhomogenität testen
- F-Test (parametrisch) -
var.test():- Der F-Test prüft, ob zwei Stichprobenvarianzen gleich sind, indem er das Verhältnis beider Varianzen vergleicht (der F-Wert) → wenn die Varianzen gleich sind, gilt F = 1.
- Dieser Test ist das einfachste Verfahren, um die Annahmen der Varianzhomogenität bei zwei Stichproben zu prüfen.
- Nachteil: Daten sollten normal verteilt sein.
- Bartletts Test (parametrisch) -
bartlett.test():- Vergleicht Varianzen von zwei und mehr Stichproben.
- Nachteil: Auch hier wird Normalverteilung der Daten vorausgesetzt.
- Levene-Test -
car::leveneTest():- Vergleicht Varianzen von zwei und mehr Stichproben.
- Vorteil: Setzt keine Normalverteilung der Daten voraus.
Zurück zu unserer Forschungshypothese..
Die intraspezifische Streuung des Zugverhaltens ist bei Buchfinken kleiner als bei der Mönchsgrasmücke.
Buchfink
Mönchsgrasmücke
| Kenngröße | Buchfink | Mönchsgrasmücke |
|---|---|---|
| Mittelwert | 1800km | 3000km |
| Standardabweichung s | ±900km | ±1000km |
| Stichprobengröße n | 20 | 30 |
Geeigneter Test: F-Test zum Vergleich von Varianzen
| Kennwert: | \(\sigma^2\) bzw. \(s^2\) |
| H0: | \(\sigma^2_{BF} = \sigma^2_{MGM}\) bzw. \(F=1\) |
| HA: | \(\sigma^2_{BF} \neq \sigma^2_{MGM}\) bzw. \(F \neq 1\) |
| Voraussetzung: | Erfüllt (Daten sind normal verteilt) |
| Teststatistik: | \(F = \frac{\text{größeres}~s_1^2}{\text{kleineres}~s_2^2}\)* |
| alpha: | 5% |
| FG: | FG1 = n1-1; FG2 = n2-1 |
| p-Wert: | Der F-Wert wird mit dem \(F_{krit}\) aus der F-Verteilung verglichen. |
*Die größere Varianz kommt in den Zähler. Damit ist F immer ≥ 1.
Manuelle Berechnung
s1_mgm <- 1000^2 # groessere Stichprobenv. s2_bf <- 900^2 # kleinere Stichprobenv. (f_val <- s1_mgm/s2_bf)
[1] 1.234568
# krit. F (bei n1=30, n2=20): qf(p = 0.95, df1 = 29, df2 = 19)
[1] 2.077214
# p verdoppeln fuer 2seitige Hypothese: 2*pf(q = f_val, df1 = 29, df = 19, lower.tail = FALSE)
[1] 0.6409985
- \(H_0\) kann nicht abgelehnt werden.
- Die intraspezifische Streuung des Zugverhaltens bei Buchfinken unterscheidet sich nicht signifikant von der bei Mönchsgrasmücken (\(F_{(29;19)} = 1.23\), p = 0.64).
Geeigneter Test: F-Test zum Vergleich von Varianzen
var.test()
Automatische Berechnung mit der built-in Funktion
var.test( x = mgm, # Stichprobe mit groesserer Varianz y = bf # Stichprobe mit kleinerer Varianz )
F test to compare two variances
data: mgm and bf
F = 1.2346, num df = 29, denom df = 19, p-value = 0.641
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.5139872 2.7546590
sample estimates:
ratio of variances
1.234568 Was aber bei mehr als zwei Stichproben?
Unterscheidet sich die Varianz dieser 3 Vogelarten?
Buchfink
Grünfink
Mönchsgrasmücke
| Kenngröße | Buchfink | Grünfink | Mönchsgrasmücke |
|---|---|---|---|
| Mittelwert | 1800km | 1950km | 3000km |
| Standardabweichung s | ±900km | ±400km | ±1000km |
| Stichprobengröße n | 20 | 10 | 30 |
Bartlett- und Levene-Test bei > 2 Stichproben
Für beide Tests müssen die Daten in einem data frame im langen Format sein. Die kategoriale Variable (die Art) sollte als Faktor definiert sein (nicht als Zeichenkette):
str(zug)
'data.frame': 60 obs. of 2 variables: $ art : Factor w/ 3 levels "Buchfink","Grünfink",..: 1 1 1 1 1 1 1 1 1 1 ... $ laenge: num 698 1619 743 1065 1178 ...
bartlett.test(x = zug$laenge, g = zug$art)
Bartlett test of homogeneity of variances
data: zug$laenge and zug$art
Bartlett's K-squared = 7.8288, df = 2, p-value = 0.01995
car::leveneTest(y = zug$laenge, group = zug$art)
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 2 3.157 0.05008 .
57
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Beim Bartlett-Test kann die \(H_0\) abgelehnt werden, beim Levene-Test nicht. Beide Tests zeigen aber p-Werte um das Signifikanzniveau, was darauf hindeutet, dass Unterschiede nur schwach signifikant sind (Bartlett’s \(K^2\) = 7.8, p = 0.02 bzw. Levene’s F = 3.2, p = 0.05).
Your turn …
Quiz 1 zum Nachmachen
Kelchblattlänge in iris
shapiro.test(iris$Sepal.Length[iris$Species=="setosa"])
Shapiro-Wilk normality test
data: iris$Sepal.Length[iris$Species == "setosa"]
W = 0.9777, p-value = 0.4595
shapiro.test(iris$Sepal.Length[iris$Species=="versicolor"])
Shapiro-Wilk normality test
data: iris$Sepal.Length[iris$Species == "versicolor"]
W = 0.97784, p-value = 0.4647
shapiro.test(iris$Sepal.Length[iris$Species=="virginica"])
Shapiro-Wilk normality test
data: iris$Sepal.Length[iris$Species == "virginica"]
W = 0.97118, p-value = 0.2583
Quiz 2 zum Nachmachen
Kelchblattlänge in iris
bartlett.test(x = iris$Sepal.Length, g = iris$Species)
Bartlett test of homogeneity of variances
data: iris$Sepal.Length and iris$Species
Bartlett's K-squared = 16.006, df = 2, p-value = 0.0003345
Ãœbungsaufgabe
Übungen aus…
Kapitel 5 - Einführung in Hypothesentests
- R Notebook-Skripte
- DS2_05_Ãœbungen.Rmd
- DS2_05_Übungen_Lösung.Rmd
Abschlussquiz
Fragen?
Bei weiteren Fragen: saskia.otto(at)uni-hamburg.de
Diese Arbeit is lizenziert unter einer Creative Commons Attribution-ShareAlike 4.0 International License mit Ausnahme der entliehenen und mit Quellenangabe versehenen Angaben.